一、课程介绍

人工智能（AI）是新一轮科技革命和产业变革的核心驱动力，将深刻改变人类社会生活，改变世界，对于实现社会生产力新跃升，提高综合国力和国际竞争力具有重要意义。知识图谱是人工智能技术的重要组成部分， 是AI分支符号主义在新时期主要的落地技术方式。它以其强大的语义处理能力和开放组织能力，为互联网时代的知识化组织和智能应用奠定了基础。自2012年谷歌在提出知识图谱概念以来，国内外大规模知识图谱的研究不断深入，并广泛应用于知识融合、语义搜索和推荐、问答和对话系统、大数据分析与决策等方面，应用领域覆盖金融、制造、政府、电信、电商、客服、零售、娱乐、医疗、农业、出版、保险、知识服务、教育等行业。

为了贯彻落实国务院印发的“新一代人工智能发展规划”精神，推广人工智能与知识图谱技术的应用，中国信息化人才培训中心决定举办 “人工智能-知识图谱核心技术与应用培训班”。

二、培训方式

本培训班重视技术基础，强调实际应用，采用技术原理与实际应用相结合的方式进行教学。 **展示教师的实际科研成果，讲述人工智能与知识图谱的技术原理与应用系统开发方法、知识图谱系统开发工具使用方法。使学员掌握知识图谱基础与专门知识，获得较强的知识图谱应用系统的分析、设计、实现能力。

参加培训的学员需带笔记本电脑，配置为： Windows 10（或windows 7）操作系统、jdk-8u191-windows-x64、8G以上内存、256G以上硬盘。

实验软件为： 图数据库： neo4j 3.5社区版；

   深度学习开发环境：Anaconda Anaconda 3-5.3（含Tensorflow与keras）。

五、培训内容**天**讲 人工智能概述1.1　人工智能（AI）概念

1.２　AI研究的主要技术问题

1.３　AI的主要学派

1.４　AI十大应用案例第二讲 知识图谱概述2.1  知识图谱（KG）概念

2.2  知识图谱的起源与发展

2.3  典型知识图谱项目简介

2.4  知识图谱技术概述

2.5  知识图谱典型应用第三讲 知识表示3.1 基于符号主义的知识表示概述

3.1.1 谓词逻辑表示法

3.1.2 产生式系统表示法

3.1.3 语义网络表示法

3.2 知识图谱的知识表示

3.2.1 本体论概念

3.2.2  RDF和RDFS

3.2.3. OWL和OWL2  

3.3.4  Json与Json-LD

3.3.5  RDFa、HTML5 、MicroData

 3.3.6  SPARQL查询语言   第二天第四讲 知识图谱核心基础技术（一）

神经网络与深度学习4.1 神经网络基本原理

4.2 神经网络应用举例

4.3 深度学习概述

4.4主流深度学习框架

4.4.1 TesorFlow / Keras（安装与运行）

4.4.2 Caffe

4.5　卷积神经网络（CN N）

4.5.1  CN N简介

4.5.2  C NN关键技术: 局部感知、卷积、池化、CN N训练

4.5.3 典型卷积神经网络结构

4.5.4 深度残差网络

4.5.5 案例：利用C NN进行时装识别

4.5.6 案例：利用CN N进行手写数字识别

上机实践：基于卷积神经网络的手写体数字识别 第五讲 知识图谱核心基础技术（二）

基于深度学习的自然语言处理5.1 循环神经网络（RNN）概述

5.2  基本RNN  

5.3  长短时记忆模型(LSTM)

5.4  门控循环单元（GRU）

5.5  基于TensorFlow的自然语言处理

  5.5.2 自然语言处理处理概述

  5.5.1 文本向量化（vectorize）

  5.5.1.1 one-hot编码

  5.5.1.2词嵌入（word embedding）概念

  5.5.1.3词嵌入（word embedding）主要算法

  5.5.1.4 TensorFlow/Keras的嵌入层实现

 上机实践：基于循环神经网络的情感识别 第三天第六讲  知识抽取与融合6.1  知识抽取基本方法

6.1.1  实体识别方法

6.1.2  关系抽取方法

6.1.3  事件抽取方法

6.2 面向结构化数据的知识抽取

6.2.1 D2RQ    

6.2.2 R2RML

6.3  面向半结构化数据的知识抽取

 6.3.1 基于正则表达式的方法  

6.3.2 基于包装器的方法

6.4. 面向非结构化数据的知识抽取

6.4.1 基于规则的实体识别

 6.4.2 基于深度学习的实体识别

6.4.3 基于模板的关系抽取

 6.4.4 基于深度学习的关系抽取

6.5   实体消歧与链接

6.5.1实体消歧

6.5.2 实体链接

6.6  知识融合

6.6.1 框架匹配

 6.6.2 实体对齐

 6.6.3 冲突检测与消解第七讲 存储与检索7.1 知识图谱的存储与检索简介

7.2 知识图谱的存储

 7.2.1  基于表结构的存储

7.2.2 基于图结构的存储

7.3 大规模知识图谱存储解决方案

7.4 属性图数据库 NEO4J

7.5 知识图谱的检索

上机实践：利用NEO4J进行知识图谱存储与检索第八讲 知识图谱案例8.1 金融风险防范知识图谱构建

8.2 知识问答系统构建